[发明专利]一种基于人工智能算法的风机齿轮箱故障诊断方法

说明书

技术领域：

本发明涉及的是一种基于人工智能算法的风机齿轮箱故障诊断方法。

背景技术：

随着技术的不断成熟，风力发电的成本逐步下降，使其经济效益不断提高，目前已相当接近于煤电的成本。不论是从交通安全问题，还是环境污染和能源危机问题考虑，风力发电都比煤电具有优势。

随着风电技术的发展和风机数量的增加，产生了一个新的产业，即故障诊断和分析。故障诊断系统可以改善风电的效益，对于提高系统安全性和降低经济损失具有非常重要的现实意义（张震.基于小波神经网络专家系统的齿轮箱故障诊断研究[D].燕山大学,2010）。

近年来，随着风电机组的广泛使用以及风电设备结构的逐步完善，故障问题也逐渐引起了人们的关注。风电机组长期工作在恶劣的气候条件下，容易发生故障，这些故障问题不仅会带来经济损失，还会影响人们的日常生活。风电机组一般安装在戈壁滩、野外、荒郊和高山等风口处，附近没有遮挡物，受到温差、风力冲击和负载变化等各种因素的影响，故障时有发生。齿轮箱安装在距离地面几十米甚至上百米的塔架上，空间狭小，常年在极端恶劣的环境中工作，非常容易发生故障，出现各种局部损伤，如：磨损、脱落和裂痕等。随着齿轮箱的运行，各种局部损伤不断加重，最终使其无法正常运行，维修起来非常不便(姜香菊,刘二林.小波神经网络对风力发电机齿轮箱的故障诊断[J].自动化仪表,2012,33(4):9-12.)。齿轮箱是风电机组的核心部分，根据国内外的研究机构和组织对风力发电机组进行的长期追踪统计，齿轮箱的故障发生率在逐年增高，由其引起的风机停机的概率大且停机时间长，造成很大的经济和发电量损失，影响风电机组的正常运行（龙泉,刘永前,杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J].太阳能学报,2012,33(1):120-125.）。据统计，齿轮箱的故障发生率已经超过风电机组总故障的60%，在机组的部件中故障发生率最高。（张青.风力发电机齿轮箱振动监测和故障诊断系统研究[D].华东理工大学,2013.）。只有及时的发现并处理故障，才能保证齿轮箱的安全有效运行。

到目前为止，包括电力、石化、冶金等在内的国内众多行业均开始广泛利用机械故障诊断理论，唯独在风电领域才刚处于研究起步阶段，还没有制定出一套行之有效的风机齿轮箱故障诊断方法（张震.基于小波神经网络专家系统的齿轮箱故障诊断研究[D].燕山大学,2010.）。因此，研究更为精确的风机齿轮箱故障诊断技术，及时发现并处理其故障，提高其运行的可靠性，对风电机组的发展具有深远的意义。

风机齿轮箱的结构逐步复杂，要对其进行故障诊断也将日趋困难。目前对于齿轮箱故障诊断的研究有很多，使用的诊断技术有统计过程控制、小波分析、决策树法及神经网络等，这些方法均取得了一定成效。采用单一的方法得到的诊断精度较低，因此，目前研究的热点为集成的智能诊断。文献[姜香菊,刘二林.小波神经网络对风力发电机齿轮箱的故障诊断[J].自动化仪表,2012,33(4):9-12.]采用小波神经网络，对齿轮箱的故障进行诊断。文献[龙泉,刘永前,杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J].太阳能学报,2012,33(1):120-125.]利用粒子群算法对BP网络权值和偏置进行优化，使用优化后的BP神经网络进行故障诊断。然而，利用神经网络进行故障诊断存在训练速度比较缓慢、局部最优解问题等问题，而且神经网络适用于大样本，当样本数量较少时，容易造成过学习。正常情况下，风机齿轮箱发生故障的样本数据较少，仅为几十组，因此利用神经网络难以保证故障诊断的性能。

发明内容：

本发明的目的在于克服现有技术的不足，提供一种基于人工智能算法的风机齿轮箱故障诊断方法。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

一种基于人工智能算法的风机齿轮箱故障诊断方法,它包括以下步骤：

步骤一：分别采集齿轮箱在正常以及典型故障状态下的振动数据作为样本；

步骤二：对采集到的振动数据进行归一化；

步骤三：将原始数据集分为训练数据集和测试数据集；

步骤四：对模型中用到的参数和适应度函数进行初始化；

步骤五：利用人工蜂群算法优化LSSVM分类模型，通过训练数据集确定正则化参数C和核宽度σ的最优值；

步骤六：生成风机齿轮箱故障诊断模型；

步骤七：将测试数据集输入到训练好的风机齿轮箱故障诊断模型中，进行故障诊断，输出测试结果。